Моделирование технологии восстановления и упрочнения деталей из алюминиевых сплавов на примере МДО (80
..pdfМашиностроение. Приборостроение.
УДК 669.715:621.35
Д-р техн. наук проф. А. Н. Новиков (Орловский государственный технический университет) г.Орел, тел. (0862) 419805 канд. ф.т: наук доцент О. А. Иващук
(Орловский государственный аграрный университет) г.Орел, тел. (0862) 97050
МОДЕЛИРОВАНИЕ ТЕХНОЛОГИИ ВОССТАНОВЛЕНИЯ И УПРОЧНЕНИЯ ДЕТАЛЕЙ ИЗ АЛЮМИНИЕВЫХ СПЛАВОВ НА ПРИМЕРЕ МДО
In this article the authors pays attention to developing methods of computer simulation of technological proc esses of restoration of worn-out machine details. The authors propose mathematics models, corresponding pro gram means and introduction recommendation in repairproduction.
Отличительной особенностью современных ре монтных предприятий, осуществляющих восста новление и упрочнение деталей, является сринципиальное изменение роли задач, связанных с моде лированием используемых технологий и после дующим применением разработанных моделей для автоматизации технологических процессов.
Реигние такого рода задач позволит повысить уровень качества выпускаемой продукции, снизить брак и затраты материально-сырьевых, энергетиче ских, трудовых ресурсов; повысить экологичность процесса; формировать обоснованные управленче ские решения.
При разработке новых и модернизации сущест вующих технологических процессов и оборудова ния приоритет теоретических моделей (физикоматематических, физико-химических, химикоматематических и т.п.) неоспорим, тогда как в ре альном технологическом комплексе уже закуплен ное производственное оборудование и внедренные в производственный процесс технологии восста новления и упрочнения деталей нуждаются в со вершенствовании и в исследовании их возможно стей, отработке режимов и эффективном управле нии.
Наиболее приемлемый способ решения данных проблем - это применение компьютерноадаптированного эмпирического подхода, основ ными достоинствами которого являются быстрота и универсальность.
Нами рассматриваются подходы к построению двух моделей: полиномиальной и нейросетевой, на основе имеющихся экспериментальных данных.
Построение полиномиальных моделей предла гается проводить согласно процедуре последова тельного формирования полиномов возрастающей степени до достижения удовлетворительного уров ня адекватности. Предлагаемый подход позволяет исключить априорность начального предположе
ния о конкретном поведении системы (линейном, квадратичном или кубическом) и сократить коли чество экспериментов, требуемых для построения адекватной модели. Результатом моделирования является аналитическое уравнение - полином не которой степени:
У b0+ J ZbjXj, |
(1) |
где у - рассчитанное по модели значение отклика технологического процесса;
Ь0, Ь/ - постоянные коэффициенты;
Х} - значрние j независимых (некоррелирован ных) факторов.
Расчет коэффициентов регрессии выполняется методом наименьших квадратов, для анализа полу ченных полиномов используется классический ап парат регрессионного анализа.
Второй метод представляет собой построение модели с помощью многослойной нейронной сети. Нейронные сети - это класс алгоритмов, реализуе мых при помощи матрицы достаточно простых взаимосвязанных схем, называемых нейронами. Упрощенно функционирование нейрона прег ста вим следующим образом: нейрон вычисляет взве шенную сумму входных сигналов и преобразует ее с помощью нелинейной функции активации. Рабо та нейронной сети происходит в три стадии: обу чение, проверка и непосредственно функциониро вание. Для настройки сети выбран алгоритм обрат ного распространения ошибки, включающий сле дующую последовательность этапов:
Шаг 1. Случайным образом инициализировать веса связей сети W-^, (i,j - номера нейронов, со единенных синаптической связью, к - номер слоя сети).
37 |
С-/чиверситет |
№3 |
Известия ОрелГТУ |
|
х |
ТЕНХОЛОГИЯ УПРОЧНЯЮЩЕЙ ОБРАБОТКИ |
|||||
Шаг 2. Подать на входы сети один из возмож |
Рассмотренные методы реализованы на приме |
||||||||
ных образов в режиме от входа к выходам, рассчи |
ре процесса МДО с использованием щелочного |
||||||||
тать значения последних: |
|
|
|
электролита с добавлением жидкого стекла типа |
|||||
|
|
|
|
|
|
|
"КОН - Na2Si03" для сплавов AK9M2, АМгб, AK5. |
||
|
£•("•/_ |
у f\ |
) .\у\ .' |
|
П\ |
Моделируемыми показателями качества явля |
|||
|
|
ются микротвердость (Нт) и толщина (h) получен |
|||||||
|
f! |
|
~V- |
|
|
^ |
ного после упрочнения восстановленной детали |
||
|
k> |
|
|
покрытия (её |
составляющие: hi - толщина внешне |
||||
|
|
|
|
2 |
|||||
|
|
|
|
го упрочненного слоя; h - толщина внутреннего |
|||||
|
|
|
l + e~bi |
|
|
упрочненного слоя). В качестве выходных пара |
|||
Рассчитать изменение весов AW(K' |
для выход |
метров модели были выбраны величины, задающие |
|||||||
режим процесса МДО, - технологические парамет |
|||||||||
ного слоя К. |
|
|
|
|
|
ры. При моделировании Нт такими параметрами |
|||
|
AW!J>=8lK>f<K-'>. |
|
(4) |
являются: плотность тока Dt, состав электролита, |
|||||
|
|
т.е. концентрации содержания в нем жидкого стек |
|||||||
|
|
|
|
|
|
|
ла Na2Si03 и едкого калия КОН. При моделирова |
||
Шаг 3. Рассчитать изменение весов |
AW^ |
для |
нии h: плотность тока; состав электролита и время |
||||||
оксидирования Т. |
|
||||||||
всех остальных слоев: к = (K-1J...1. |
|
|
Результаты построения и анализа полиномиаль |
||||||
|
|
|
|
|
|
|
|||
|
AWff-sfVfl'-», |
' |
(5) |
ных моделей показывают, что истинную зависи |
|||||
|
мость эксплутационных |
характеристик восстанов |
|||||||
sF-teK)-dt\ftK\?-ffK>), |
|
(6) |
ленной и упрочненной |
детали от технологических |
|||||
|
параметров процесса МДО наиболее адекватно |
||||||||
|
s?=TkiM)-*1f1)\-ffk)\{-ffk)). |
|
(7) |
отражают квадратичные полиномы. Вид такого |
|||||
|
|
полинома на примере определения микротвердо |
|||||||
|
j |
|
|
|
|
|
сти: |
|
|
где К - число слоев в, сети;
ffk) |
- вычисленный выход г'-го нейрона; |
SJk' |
- вход в этот нейрон; |
dt -треб, 1ый.выход нейрона.
Шаг 4. Скорректировать все веса в нейронной
сети: |
|
W$>(t) = Wif(t -1) + AWfjk)(t). |
(8) |
Шаг 5. Если ошибка сети существенна, перейти на шаг 1. В противном случае конец обучения.
После большого числа обучающих циклов ал горитм сходится к решению, которое минимизиру ет разность между требуемым и полученным выхо дами. Если на вход полностью настроенной сети подать входной вектор, не входящий в обучающую выборку, то выходной вектор с достаточной степе нью точности будет .приближен к действительному. Таким образом, обученная с помощью алгоритма обратного распространения нейронная сеть пред ставляет собой адекватную модель нелинейного динамического процесса, применительно которому она была обучена. Основная плата за адекватность - время, затраченное на организацию и проведение обучения, и в настоящее время проводятся много численные исследования, посвященные решению данного вопроса.
Параметры структуры нейронной сети и про цесса обучения, как правило, заранее неизвестны. Они определяются методом подбора применитель но к конкретному типу решаемой задачи.
Нт(СКОН, CNa2SiO}, Dt) =
=--b0o + b,o- |
CKOH+'bjoCNa:SiOj + |
|
+ b30- Dt + bn- |
CKOH'+b\y |
CNa2SiO{ + (9) |
+ h3,- Df + h,2- CKOH |
CNa2Si03+ |
|
+ b,}- CKOH- |
Dt + b23- |
CNa2Si03Dt |
Конкретное значение коэффициентов уравнения зависит от выбранного алюминиевого сплава.
Для оценки адекватности модели был проведен анализ остатков регрессии: показано, что получены статистически значимые уравнения регрессии и построенная математическая модель является адек ватной.
Для определения моделируемых параметров (их численной оценки), исследования их взаимного влияния, удобно использовать графическую визуа лизацию полиномов. На рис. 1 представлена трех мерная поверхность и соответствующий ей кон турный график, полученный при моделировании микротвердости.
По контурным графикам, зная устанавливаемые для проведения процесса упрочнения технологиче ские параметры, мы можем определить значения выходных параметров - микротвердости или тол щины упрочненного слоя, как это показано на рис. 1, б, на примере определения микротвердости.
Если по технологическим или производствен ным требованиям необходимо обеспечить значение микротвердости или толщины в строго определен ном диапазоне, то по контурным графикам можно определить технологические допуски на входные параметры: режимы процесса или состав электро-
Машиностроение. |
п |
38 |
При8орэс!про%ии9 2003 |
|
|
Машиностроение. Приборостроение.
Hm, ГПа |
CNa2Si03j г/л, |
CNa2Si03, г/л
Скон, г/л
Скон, г/л
а) |
б) |
Рис. 1. - Графическое представление результатов моделирования микротвердости Hm(CKOH,CNa2Si03):
а - график поверхности; б - контурный график
лита. Однако для использования в этих целях кон турный график носит скорее оценочный характер.
При нейросетевом моделировании процесса МДО входной слой нейронов соответствует вход ным параметрам модели, выходной сло& - уста навливает отклики. Сеть обучалась и тестировалась на основе имеющихся экспериментальных данных.
На рис. 2 представлены сети для определения зксплутационных характеристик по заданным зна чениям режимов МДО и состава электролита. Сеть для определения микротвердости имеет архитекту ру «3-2-1», т.е. включает один промежуточный слой, состоящий из двух нейронов. Сеть для опре деления толщины имеет архитектуру «2-2-2», т.е. также имеет один промежуточный слой из 2-х ней ронов.
Также были построены сети, показанные на рис. 3, позволяющие вычислить управляющее воздействие (плотность тока, продолжительность оксидирова ния, концентрации составляющих частей электро лита), которое необходимо, чтобы эксплутационные характеристики упрочненного слоя приняли желаемое значение. В этом случае входы нейрон ных сетей - это требуемые эксплутационные ха рактеристики, выходы - необходимые для этого технологические параметры.
Проводилось сравнение двух методов модели рования по критерию точности между квадратич ными полиномами и модели на основе многослой ной нейроннЪй сети, обученной по имеющимся результатам экспериментов.
Показано, что для каждой рассматриваемой эксплутационной характеристики нейронные сети проявляют более высокую точность. Уменьшение экспериментальной (среднеквадратичной) ошибки при переходе к нейросетевой модели для Hm, h,, h2 составляет соответственно 92,7%, 20,6%, 23%.
Результаты сравнения 2-х моделей представле ны в табл. 1,2, 3
Для окончательной проверки качества постро енных моделей была проведена серия натурных экспериментов.
Расхождение теоретически полученных значений с результатами эксперимента не превышает 5%.
Отметим, что нейронные сети и в этом случае дают более точный прогноз по сравнению с поли номиальной моделью.
На основании результатов проведенного анали за определены области применения рассмотренных методов моделирования:
Полиномиальные модели можно успешно ис пользовать для моделирования процессов с
X, =С
а) |
б) |
Рис. 2. - Сети для определения зксплутационных |
характеристик: |
а - сеть для определения микротвердости; б - сеть для определения толщины упрочненного слоя
39 |
ниаерситет |
№3 |
Известия ОрелГТУ |
ТЕНХОЛОГИЯ УПРОЧНЯЮЩЕЙ ОБРАБОТКИ |
* з Чсон
Х,=Нт
Рис. 3. - Вид нейронной сети для отработки режимов технологического процесса
1. Результаты сравнения полиномиальной и нейросетевой моделей при моделировании микротвердости Hm(Dt, CNa2Si03, CKOH)
|
|
|
|
|
|
|
Уменьшение |
Время построения мо |
Время прогноза по моде |
||||||||
|
|
SRSM |
|
$NN |
|
|
|
дели', сек |
|
|
ли1, сек |
|
|
||||
|
|
|
|
ошибки, % |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
TRSM |
TNN |
|
tRSM |
tNN |
|
||||
АК9М2 |
|
0,0083 |
|
0,0006 |
92,77 " |
|
|
|
|||||||||
|
|
|
600 |
|
|
0.1 |
0.1 |
|
|||||||||
АК5 |
|
0,0205 |
|
0,0012 |
94,15 |
|
10000 |
|
|||||||||
АМгб |
|
0,0312 |
|
0,0006 |
98,08 |
|
|
|
|
|
|
|
|
|
|||
2. Результаты |
сравнения |
полиномиальной |
и нейросетевой |
моделей |
при моделировании толщины |
уп |
|||||||||||
рочненных |
слоев |
hi(Dt, |
T) и h2(Dt, |
T) |
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
Уменьшение |
|
Время построения |
Время прогноза по |
||||||
|
|
|
SRSM |
|
$NN |
|
модели1, сек |
модели1, сек |
|
||||||||
|
|
|
|
ошибки, % |
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
TRSM |
|
TNN |
tRSM |
tNN |
|
|||
|
|
|
3,4-10'6 |
|
|
20,59 |
|
|
|
|
|||||||
АК9М2 |
hi |
|
2,7-10"6 |
|
|
600 |
|
10000 |
од |
од |
|
||||||
h2 |
1,0-10'6 |
7,7-10-7 |
23,00 |
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||
АК5 |
h, |
1,2-Ю"6 |
1,9-10-7 |
84,17 |
|
|
600 |
|
10000 |
0,1 |
од |
|
|||||
h2 |
4,0-10"7 |
7,8-10"9 |
98,05 |
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||
АМгб |
h, |
7,0-10"7 |
5,4-10'7 |
22,86 |
|
|
600 |
|
10000 |
0,1 |
0,1 |
|
|||||
h2 |
2,610^ |
|
9,1-Ю'7 |
65,00 |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||
3. Результаты |
сравнения |
полиномиальной |
и нейросетевой |
моделей |
при моделиро |
шиши толщины |
уп- |
||||||||||
рочненных |
слоев |
A/, h2(CKOH, |
CNa2Si03) |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
Уменьшение |
Время построения |
Время прогноза по |
|||||||
|
|
|
|
SRSM |
|
$ж |
модели1, сек |
модели1, сек |
|
||||||||
|
|
|
|
|
ошибки, % |
|
|||||||||||
|
|
|
|
|
|
|
|
TRSM |
|
TNN |
tRSM |
tNN |
|||||
|
|
h. |
6,2-10'6 |
|
|
22,58 |
|
|
|||||||||
АК9М2 |
|
|
4,8-10"6 |
|
600 |
|
10000 |
0,1 |
од |
|
|||||||
|
h2 |
4,2-10'6 |
|
2,2-10"6 |
47,62 |
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||
АК5 |
|
h i .. |
5,9-10"6 |
|
4,9- Ю-6 |
15,76 |
|
600 |
|
10000 |
0,1 |
0,1 |
|||||
|
h2 |
|
3,3- 10* |
|
2,2-10"6 |
33,33 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||
АМгб |
|
h, |
|
5,8-10* |
|
2,3-10'6 |
60,34 |
|
600 |
|
10000 |
0,1 |
0,1 |
небольшим количеством входных переменных, когда не требуется высокая степень адекватности модели и решающим ее фактором является дли тельность процесса построения. Например, при исследовании параметров, оказывающих наиболь
Машиностроение. —•
Приборостроение 2G03
шее влияние на процесс МДО, для быстрой оценки эксплутационных характеристик или требуемых допусков на режимы.
1. Нейросетевой подход целесообразно исполь зовать для прогнозирования показателей качества
40
С
С
t
Машиностроение. Приборостроение.
Очистка |
Э |
т |
|
Дефектация |
|
У/////////////////////////////А
м Предварительный компьютерный эксперимент
_Е |
Т_ |
Прогнозирование |
Отработка и корректировка |
эксплутационных |
|
характеристик упрочненной |
технологических параметров |
поверхности детали |
J |
1 • - , г ,••,• * Т |
Документирование результатов, компьютерного эксперимента
viiJviM/Mii/iJuu/iaij'iaftiuaeori BZSKт/мямминжшлж1*л&/м4Ю1£&*гш£>
С МДО Э
( с^шка, контроль качества покрытий
Т
С Окончательная механическая обработка
( Контроль, сортировка J f
Маркировка, консервация "N |
||
( |
и упаковка |
'_J |
Рис. 4. - Модифицированная схема управления технологическим процессом восстановления и упрочнения деталей МДО с применением компьютерного моделирования
или технологических параметров процесса и в сис темах автоматизированного управления техноло гическими процессами.
Выбор конкретного метода моделирования зависит от условий задачи исследования.
На основе построенных эмпирических моде лей были разработаны компьютерные программы для проведения имитационных экспериментов. Программные средства реализованы в удобном для пользователя интерфейсе и позволяют:
прогнозировать значение эксплутацион ных характеристик восстановленной детали при
заданных значениях режимов технологического процесса;
- определить необходимые значения тех нологических параметров МДО по требуемым значениям показателей качества.
Предложены рекомендации по внедрению компьютеризированного технологического про цесса в ремонтное производство. На рис. 4 пред ставлена модифицированная схема технологиче ского процесса восстановления и упрочнения деталей с применением имитационного модели рования.
41 ЯИЗН»Ii'-й,« U B a W T j t f l Л«М* |
ниверситет |